图数据库RAG与KAG

发表于 分类于
图数据库、GraphRAG 与 KAG（知识增强生成）的原理、架构与应用场景

图数据库 RAG 与 KAG

什么是 RAG？

定义

RAG（Retrieval-Augmented Generation，检索增强生成） 是一种将「外部知识检索」与「大语言模型生成」相结合的架构。它让 LLM 在回答问题时，先去知识库检索相关资料，再基于检索到的内容生成答案，从而缓解大模型的「幻觉」问题、知识时效性问题与私有知识缺失问题。

传统向量 RAG 的工作流程

1
2
3
4
5
6
7
8
9
10
11
用户提问
   ↓
向量化（Embedding）问题
   ↓
向量数据库相似度检索（余弦距离）
   ↓
召回 Top-K 相关文本片段
   ↓
拼接进 Prompt 上下文
   ↓
LLM 生成最终答案

传统向量 RAG 的痛点

痛点 说明
语义模糊 「相似」不等于「相关」，向量只捕捉字面/浅层语义
缺乏全局视角 只能检索孤立片段，无法感知文档间的关联
多跳推理弱 一个问题需要串联多个实体关系时，向量检索无能为力
可解释性差 不知道答案来自哪里、推理链路是什么
长尾/稀有实体 低频专业术语容易被向量空间稀释

一句话总结：传统 RAG 擅长「找相似的句子」，但不擅长「理清关系和逻辑」。图数据库与 KAG 正是为补齐这些短板而生。

图数据库（Graph Database）

什么是图数据库？

图数据库是以图结构存储数据的数据库，核心由三类元素构成：

  • 节点（Node）：实体，如「人物」「公司」「疾病」「概念」
  • 边（Edge / Relationship）：实体之间的关系，如「属于」「治疗」「发生于」
  • 属性（Property）：节点/边的附加信息

与关系型数据库（表 + JOIN）相比，图数据库用「指针」直接关联数据，查询多跳关系时无需昂贵的 JOIN 操作，复杂关联查询性能随跳数增长几乎线性。

常见图数据库

数据库 类型 特点
Neo4j 原生图，Cypher 查询 最流行，生态成熟，社区资料多
Nebula Graph 分布式，nGQL 国产，高吞吐，支持万亿级边
TuGraph 国产，蚂蚁开源 高性能，图计算与图存储一体
JanusGraph 分布式，可接多种后端 与 Hadoop / HBase 生态融合
TigerGraph 分布式 MPP 实时深度关联分析

GraphRAG：把知识图谱引入 RAG

什么是 GraphRAG？

GraphRAG 是微软（Microsoft Research）于 2024 年提出的方案：在检索之前，先用 LLM 从文档中抽取实体、关系和社区摘要，构建一张知识图谱；检索时既做向量检索，也做图遍历，从而具备全局、多跳的问答能力。

核心流程

  1. 抽取（Extract）：LLM 从文本中识别实体、关系、声明，写入图数据库
  2. 社区检测（Community Detection）：用 Leiden 算法把图分割成若干社区
  3. 社区摘要（Summarize）：对每个社区生成自然语言摘要，形成「鸟瞰视图」
  4. 检索（Query）：
    • 局部检索：针对具体实体的图遍历（精确、可溯源）
    • 全局检索：基于社区摘要的「全局性问题」回答
  5. 生成：LLM 综合图结构 + 文本生成答案

GraphRAG 解决了什么？

1
2
3
✅ 全局性问题（「这份资料整体讲了什么主题？」）
✅ 多跳推理（「A 和 B 通过什么关系关联？」）
✅ 实体关系网络问答（「谁影响了谁？」）

KAG：知识增强生成

什么是 KAG？

KAG（Knowledge Augmented Generation，知识增强生成） 是蚂蚁集团基于 OpenSPG 知识图谱引擎开源的框架，旨在解决专业领域（金融、法律、医疗等）中 RAG「检索不准、推理不深、专业性不足」的问题。

KAG 的核心思想：让知识图谱与文本块互索引（mutual index），用逻辑形式引导的符号推理 + 大模型生成，把「图的可解释推理」和「大模型的语义理解」结合起来。

KAG 的核心技术

1. 知识互索引（Knowledge-Text Mutual Index）

  • 知识图谱中的实体/关系 双向链接 到原始文本块
  • 图能回溯原文，原文能展开为图谱，避免「图与文脱节」

2. 受 Schema 约束的知识构建（Schema-Constraint）

  • 用领域 Schema（概念、实体类型、关系类型）约束 LLM 抽取
  • 提升知识抽取的准确率与一致性，减少噪声与幻觉

3. 逻辑形式引导的混合推理求解器（Logical-Form Solver）

  • 把自然语言问题转成逻辑表达式（类似 SPARQL / 谓词组合）
  • 在图谱上做符号推理（交集、并集、否定、多跳）
  • 对图谱无法覆盖的部分，回退到大模型语义检索
  • 既保证可解释，又保证召回完整

4. 图谱与原文协同的检索

1
2
3
4
5
6
7
8
9
10
用户问题
   ↓
语义解析 → 逻辑形式（Logic Form）
   ↓
├─ 图谱符号推理（精准、可解释）
└─ 原文向量检索（补充、兜底）
   ↓
互索引对齐、去重、排序
   ↓
LLM 融合生成答案 + 引用溯源

GraphRAG vs KAG 对比

维度 GraphRAG（微软） KAG（蚂蚁）
提出方 Microsoft Research 蚂蚁集团（OpenSPG）
知识组织 实体-关系图 + 社区摘要 Schema 约束的知识图谱 + 文本互索引
推理方式 图遍历 + 社区摘要生成 逻辑形式符号推理 + 语义检索
专业性 通用文档 面向专业领域（金融/法律/医疗）
可解释性 中等 高（引用可溯源到图与原文）
构建成本 中等（自动抽取） 较高（建议引入领域 Schema）
适用问题 全局性、关联性问答 严谨推理、专业问答

图数据库 RAG / KAG 能应用到哪里？

1. 金融风控与合规

  • 反欺诈：通过「账户—设备—IP—交易」关系网发现团伙欺诈
  • 合规审查：合同条款、监管规则与交易行为的关联检索
  • 投研问答：基于公告、研报知识图谱的精准问答与溯源

2. 医疗与生命科学

  • 辅助诊断：症状—疾病—药物—基因的多跳推理
  • 药物研发：分子结构、靶点、通路图谱（参考 GraphGPT / AlphaFold 思路）
  • 医保审核：规则图谱 + 病例关联判断

3. 法律与政务

  • 类案检索：法条、判例、案由关系图谱
  • 政策问答：政策文件结构化 + 知识图谱，精准溯源到具体条款
  • 政务知识库：跨部门事项办理路径推理

4. 企业知识管理

  • 技术文档问答：API、架构、故障案例的关系网络
  • 客服知识库：从「问答对」升级为「知识图谱」，解决多跳问题
  • 代码与架构治理：服务依赖图谱、调用链问答

5. 科研与情报分析

  • 文献综述：自动抽取研究主题、方法、结论构成图谱
  • 情报关联：人物—组织—事件网络分析

6. 网络安全

  • 攻击溯源：资产—漏洞—攻击路径图谱
  • 威胁情报：IOC（失陷指标）关联推理

实践建议

什么时候用哪种方案？

场景 推荐方案
简单 FAQ、单文档问答 传统向量 RAG 即可
需要多跳关联、全局摘要 GraphRAG
专业领域、强可解释、强准确 KAG
已有知识图谱资产 KAG / 图数据库增强

技术选型

  • 图数据库：Neo4j（上手快）/ Nebula Graph（海量分布式）
  • GraphRAG：微软 graphrag 库（Python 生态）
  • KAG：蚂蚁 KAG 开源框架（基于 OpenSPG）

落地注意点

  1. 知识抽取质量决定上限：领域 Schema 很关键
  2. 图谱规模与性能：百亿边要选分布式图库
  3. 图谱 + 原文协同：不要只信图，也要保留原文检索兜底
  4. 可解释与溯源：金融/医疗必须能给出引用

总结

传统 RAG 用「向量」找回相似的片段；GraphRAG 用「图」找回关联的网络；KAG 用「知识图谱 + 逻辑推理」做严谨、可解释的专业问答。

三者并非替代关系，而是能力递进：

  • 向量 RAG：快、省、够用
  • 图 RAG（GraphRAG）：能看到关系与全局
  • KAG：专业、严谨、可溯源

理解它们的差异，才能在「通用问答」到「专业决策」的不同场景里选对方案。

💡 延伸阅读

  • 微软 GraphRAG 官方仓库与论文（From Local to Global）
  • 蚂蚁 KAG / OpenSPG 开源文档
  • 知识图谱 + LLM 的更多融合范式（GraphGPT、G-Retriever、HippoRAG 等）